多模態 AI（Multimodal AI）係指可以同時處理多種類型輸入嘅 AI 模型——文字、圖像、語音、影片等，並且將唔同模態嘅資訊融合一齊理解。
傳統 AI 只可以處理一種模態（例如早期 GPT-3 只識文字）。而多模態 AI 可以「睇圖、聽聲、讀字」，好似人類咁用多種感官去理解世界。
你而家用緊嘅 ChatGPT 可以上傳圖片問問題、Gemini 可以分析影片——呢啲都係多模態 AI 嘅應用。
「模態」簡單講就係資訊嘅形式。人類有五種感官（視覺、聽覺、觸覺、嗅覺、味覺），每一種就係一個模態。AI 嘅「模態」就係佢可以處理嘅資訊類型：
只可以處理一種模態嘅叫「單模態 AI」（Uni-modal），可以處理多種嘅就叫「多模態 AI」（Multimodal）。
多模態 AI 嘅核心概念好簡單——將所有模態都轉換成同一種數學語言（向量/embedding），然後用一個統一模型去處理。
想象你有一個翻譯員，可以將中文、英文、日文都翻譯成同一種「通用語」。然後有一個專家，只需要識呢種通用語，就可以理解所有語言嘅內容。
多模態 AI 就係咁：先將圖像、語音、文字都「翻譯」成向量（通用語），再交畀統一模型理解同推理。
技術上，主要有兩種路線：
| 模型 | 開發者 | 圖像 | 語音 | 影片 | 特點 |
|---|---|---|---|---|---|
| GPT-4o | OpenAI | ✅ | ✅ 即時語音 | ✅ 短影片 | 語音對話最自然，反應快 |
| Gemini 2.0/1.5 Pro | ✅ | ✅ | ✅ 長影片（最長 1 小時） | 原生多模態，影片分析最強 | |
| Claude (Sonnet/Opus) | Anthropic | ✅ | ❌（需配合其他工具） | ❌ | 圖像理解準確，長文件強 |
| Llama 3.2 Vision | Meta（開源） | ✅ | ❌ | ❌ | 可本地部署，私隱友好 |
| Qwen-VL | 阿里雲（開源） | ✅ | ✅ | ✅ | 中文表現好，開源免費 |
數據來源：各模型官方文檔（2026 年核實）。功能可能隨版本更新而變化。
✅ 正確：唔係。多模態只係代表可以處理多種輸入，唔代表每種都處理得好。例如某個模型圖像強但語音弱，另一個就相反。
✅ 正確：唔一定。如果你只需要文字處理，用純文字模型可能更平、更快、更準。多模態嘅優勢只有喺你真係需要處理圖像/語音時先體現到。
✅ 正確：唔一樣。AI 唔係真係「睇」圖，而係將圖像分解成數學向量去分析。所以 AI 可能會犯人類唔會犯嘅錯（例如將貓當成狗），尤其係圖像經過修改或者有異常角度時。
A：多模態 AI（Multimodal AI）係指可以同時處理多種類型輸入嘅 AI 模型，例如文字、圖像、語音、影片等。傳統 AI 只可以處理一種模態（例如純文字），而多模態 AI 可以「睇圖、聽聲、讀字」，並且將唔同模態嘅資訊融合一齊理解。
A：常見能力包括：圖像理解（描述圖片內容、讀取圖中文字）、語音識別同合成（將語音轉文字、文字轉語音）、影片分析（理解影片內容、提取關鍵畫面）、文件理解（讀取 PDF、掃描文件）、以及跨模態生成（文字生圖、圖片生文字描述）。
A：目前主流多模態模型包括：GPT-4o（OpenAI，圖像+語音+文字一體化）、Gemini 2.0/1.5（Google，原生多模態，支援長影片）、Claude（Anthropic，圖像理解能力強）。邊個最好視乎用途：影片分析 Gemini 較強，圖像理解 GPT-4o 同 Claude 都好，語音對話 GPT-4o 最自然。
A：純文字 AI（如早期 GPT-3）只可以接收同輸出文字。多模態 AI 可以接收圖像、語音、影片等多種輸入，並且可以輸出多種格式。例如你可以上傳一張收據相畀多模態 AI，佢可以直接讀取金額同日期，而唔需要你手打輸入。
A：核心係將唔同模態嘅數據（圖像、語音、文字）轉換成同一種數學表示（向量/embedding），然後用一個統一嘅模型去處理。簡單講就係：先將圖像、語音都「翻譯」成模型識得嘅語言，再一齊理解同推理。
A：主要限制包括：1) 圖像細節可能誤讀（例如細字、複雜圖表）；2) 影片理解仍有長度限制；3) 多模態輸入嘅成本比純文字高；4) 一樣會有幻覺（AI 可能「睇錯」圖像內容）；5) 私隱風險——上傳圖像/語音涉及更多個人資料。